Einfach erklärt
Multi‑shot heißt: Man gibt einem Sprach‑ oder KI‑Modell mehrere Beispiele (mehr als eins) direkt im Prompt mit. So sieht das Modell Muster und Format und kann die Aufgabe genauer lösen.
Ganz einfache Beispiele:
• Text klassifizieren: Zeige 3–5 kurze Beispiele (Text → „positiv/neutral/negativ“). Danach soll das Modell neue Texte gleich einordnen.
• Format lernen: Gib mehrere Beispiel‑Datensätze und das gewünschte JSON‑Format vor; das Modell antwortet danach im gleichen Schema.
• Stil nachahmen: Füge einige kurze Beispiel‑Antworten in deinem Ton hinzu; das Modell folgt diesem Stil in der nächsten Antwort.
Professionelle Definition
Multi‑shot‑Prompting ist In‑Kontext‑Lernen mit mehreren Demonstrations‑Beispielen ((x_i, y_i)) innerhalb eines Prompts, um die bedingte Ausgabe (p_\theta(y\mid x,,{(x_i,y_i)})) zu steuern – ohne Gewichts‑Updates. In der Praxis überschneidet sich der Begriff mit Few‑shot‑Prompting (einige Beispiele). Bei vielen Beispielen spricht die Forschung von Many‑shot In‑Context Learning (hundert+ Beispiele in großen Kontextfenstern), das messbar Leistungsvorteile bringen kann.
Quellen
• Anthropic Docs – Multishot Prompting (Beispiele als „Geheimwaffe“, Mehrfach‑Demonstrationen im Prompt)
https://docs.claude.com/en/docs/build-with-claude/prompt-engineering/multishot-prompting
• Agarwal et al. (2024) – Many‑Shot In‑Context Learning (Begriffsabgrenzung/Leistungsgewinne)
https://arxiv.org/abs/2404.11018
https://arxiv.org/pdf/2404.11018
• NeurIPS 2024 – Many‑Shot In‑Context Learning (Poster/Abstract)
https://neurips.cc/virtual/2024/poster/96277
• PromptPanda – Multi‑Shot Prompting (Einführung/Definition mit Beispielen)
https://www.promptpanda.io/blog/multi-shot-prompting/
• Medium – Multi‑Shot Prompting (kurze Einführung, mehrere Beispiele im Prompt)
https://medium.com/%40anmoltalwar/multi-shot-prompting-15a7c4b8b78e